通过视频和深度学习来检测未洗的蛋的损坏
Yuan Huang1, Yangfan Luo1, Yangyang Cao1
1College of Engineering, South China Agricultural University, Guangzhou 510642, China.
Foods (Basel, Switzerland)
|June 10, 2023
概括
这项研究引入了一种改进的YOLOv5模型,用于实时检测动态场景中的破蛋. 基于视频的系统达到96.4%的准确性,超过了以前用于卵生产质量控制的方法.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 食品科学 食品科学 食品科学
背景情况:
- 破蛋会给健康带来风险,在生产和运输过程中也会面临物流方面的挑战.
- 准确的,实时检测卵子完整性对于质量控制至关重要.
研究的目的:
- 开发一个基于视频的检测模型,用于在动态环境中实时识别破蛋.
- 增强YOLOv5算法,以提高检测蛋完整性的准确性.
主要方法:
- 设计了一种新的系统,用于连续旋转和翻译蛋,以捕捉整个表面.
- 通过整合频道注意 (CA),BiFPN和GSConv.来改进YOLOv5模型.
- 字节跟踪被用于对象跟踪,以关联跨视频的检测,使用五序列进行分类.
主要成果:
- 与原始YOLOv5.5相比,增强的YOLOv5模型在精度 (+2.2%),回忆 (+4.4%) 和mAP:0.5 (+4.1%) 中表现出了改进.
- 集成的基于视频的模型在破蛋检测方面实现了96.4%的现场精度.
- 基于视频的方法被证明比单图像方法更有效地检测移动的蛋.
结论:
- 改进的YOLOv5模型与ByteTrack提供了一个强大的解决方案,用于实时,基于视频的破蛋检测.
- 这种非破坏性测试方法适用于动态的工业环境,提高了蛋加工的质量保证.
- 该研究为开发先进的基于视频的非破坏性测试技术提供了宝贵的参考.
